Notas de conversaciones con directores de crecimiento y análisis en ocho empresas que están replanteándose cómo sus equipos de datos emplean la semana bajo la IA agentiva.
Durante los últimos dos trimestres, nos reunimos con directores de crecimiento, análisis y ciencia de datos de ocho empresas que están replanteándose cómo sus equipos emplean la semana. La composición de los equipos apenas ha cambiado. Lo que hacen con sus días ha cambiado por completo. Estas son notas de esas conversaciones, con los detalles anonimizados y los patrones conservados.
En 2022, la semana arquetípica en un equipo de ciencia de datos B2C de alto nivel era más o menos igual en todas partes. El lunes y el martes se dedicaban a extraer y conciliar datos para los paneles de control existentes. El miércoles se pasaba en revisiones con el negocio, defendiendo o explicando los números de la semana anterior. El jueves era el único día de trabajo de modelado real. El viernes era el día en que el modelo se convertía en una diapositiva para el lunes siguiente.
Esa semana produjo aproximadamente una idea apta para envío por persona al mes, contando generosamente. Nadie estaba contento con ello, incluidas las personas que realizaban el trabajo. Sin embargo, era el equilibrio que las herramientas permitían.
En los ocho equipos que estudiamos, la semana se ha reorganizado en torno a una unidad de trabajo diferente. No es el informe. No es el modelo. Es el experimento lanzado y leído causalmente. Cada actividad en el calendario se remonta a aumentar la tasa a la que se producen.
En cada uno de los ocho equipos, el informe semanal de BI ya no se produce a mano. Se genera, verifica y publica automáticamente. El trabajo del analista no es producir el informe. Es interrogarlo cuando un número parece erróneo. Eso recuperó aproximadamente un día por persona a la semana.
El patrón que solía consumir el lunes, un stakeholder de negocio pide un segmento, el analista lo extrae, el stakeholder pide un seguimiento, fue reemplazado por una superficie de autoservicio sobre el mismo modelo subyacente. El stakeholder extrae sus propios segmentos. Se llama al analista para las preguntas de modelado, no para las de extracción.
Una hipótesis bien elaborada es ahora el artefacto de mayor leverage en el equipo. Delimita el segmento, establece la dirección esperada, nombra las métricas de control y cita los priors. Las malas hipótesis desperdician toda la pipeline downstream. Los equipos que tratan la autoría como un arte superan materialmente a los equipos que la tratan como una ocurrencia tardía.
La conversación que el director de datos tenía con el director de growth solía ser sobre dashboards. Ahora es sobre experimentos. Nadie discute sobre un gráfico de forma aislada; cada argumento se basa en la lectura de incrementalidad de una variante específica enviada. Este es el mayor cambio cultural y el que los entrevistados mencionaron con mayor frecuencia sin ser preguntados.
Los equipos que hicieron este cambio no crecieron. Dos de los ocho en realidad se redujeron por desgaste y no repusieron personal, y su rendimiento aumentó de todos modos. Lo que cambió fue la estructura interna.
Todos los equipos con los que hablamos se habían decantado por una versión de la misma métrica interna: experimentos enviados y leídos causalmente por analista por trimestre. En 2022, la mediana para este grupo era de dos. En 2026, está entre veinte y cuarenta, dependiendo de la superficie. Ese es el delta de productividad, y es el único número que predice la trayectoria del ARPU del negocio durante los dos trimestres siguientes.
Tres intentos aparecieron repetidamente como falsos comienzos. Vale la pena mencionarlos, porque son los primeros movimientos naturales y no dan frutos.
La constante en estas conversaciones fue el cambio de producir artefactos a producir una tasa. Tasa de hipótesis, tasa de experimentos enviados, tasa de aprendizajes validados. Cada elección arquitectónica posterior a ese marco apuntaba en la misma dirección.
Para el modelo operativo al que migraron estos equipos, consulte De calendarios de campaña a toma de decisiones continua.
Preguntas frecuentes
Recursos relacionados
Verlo en el producto
Los mismos bucles que describe esta nota funcionan 24/7 contra tu base de clientes. Observa cómo el espacio de trabajo decide, experimenta y ejecuta 1:1.
Vocabulario
Definitions an answer engine can quote, each one a page of its own.
Comparar
Neutral reads on the categories buyers evaluate against a decision layer.
Todas las comparaciones
